Функция потерь при обучении нейронной сети характеризует меру ошибки между прогнозом модели xпр и истинным значением xист. какая из формул не может использоваться как функция потерь? а) l=| xпр – xист | б) l=( xпр – xист )^2 в) l=( xпр – xист )^4 г) l=| xпр + xист |

Правильный ответ: г) L = | xпр + xист |. Обоснование Функция потерь (loss function) в машинном обучении должна количественно оценивать расхождение между предсказанием модели и эталонным значением. Чтобы функция была математически корректной для минимизации ошибки, она должна обладать следующими свойствами:

1. Минимум в точке совпадения: Значение функции должно быть минимальным (в идеале равным нулю), когда прогноз полностью совпадает с истинным значением (xпр = xист).
2. Увеличение при росте ошибки: Чем дальше предсказание от истины, тем больше должно быть значение функции.

Разбор вариантов:

• а) L = | xпр – xист |: Это классическая функция MAE (Mean Absolute Error). Она равна 0 при совпадении значений и растет линейно при их расхождении.
• б) L = ( xпр – xист )^2: Это стандартная функция MSE (Mean Squared Error). Она равна 0 при совпадении и растет квадратично, что удобно для методов оптимизации (дифференцируема везде).
• в) L = ( xпр – xист )^4: Хотя это редкая функция, она теоретически может использоваться. Она также равна 0 при xпр = xист и положительна при любом отклонении, сильнее штрафуя за большие выбросы.
• г) L = | xпр + xист |: Эта формула не может быть функцией потерь, так как она не минимизируется при совпадении прогноза с реальностью. Например, если истинное значение xист = 5 и модель предсказала xпр = 5, ошибка составит |5 + 5| = 10, что нелогично. При этом значение 0 будет достигнуто, если модель выдаст прогноз –5, что является максимальной ошибкой для данного примера.

Почему другие варианты неверны

• Вариант а ошибочен, так как модуль разности — это базовый способ измерения расстояния между числами.
• Вариант б ошибочен, так как квадрат разности — самая популярная функция потерь в регрессионных задачах.
• Вариант в ошибочен, так как любая четная степень разности удовлетворяет условию неотрицательности и наличию минимума в точке равенства аргументов.

Ознакомьтесь с другими метриками регрессии, такими как Huber Loss или Log-Cosh, чтобы лучше понимать выбор функций потерь в различных задачах.